EulerAncestralDiscreteScheduler

一个使用欧拉法步长进行祖先采样的调度器。这是一个快速的调度器，通常可以在 20-30 步内生成良好的输出。该调度器基于 Katherine Crowson 的原始 k-diffusion 实现。

EulerAncestralDiscreteScheduler

class diffusers.EulerAncestralDiscreteScheduler

( num_train_timesteps: int = 1000beta_start: float = 0.0001beta_end: float = 0.02beta_schedule: str = 'linear'trained_betas: numpy.ndarray | list[float] | None = Noneprediction_type: str = 'epsilon'timestep_spacing: str = 'linspace'steps_offset: int = 0rescale_betas_zero_snr: bool = False )

参数

num_train_timesteps (int，默认为 1000) — 用于训练模型的扩散步数。
beta_start (float，默认为 0.0001) — 推理的起始 beta 值。
beta_end (float，默认为 0.02) — 最终的 beta 值。
beta_schedule（"linear"、"scaled_linear" 或 "squaredcos_cap_v2"，默认为 "linear"）—— beta 调度，即将 beta 范围映射为用于模型步进的一系列 beta 值。可选 linear、scaled_linear 或 squaredcos_cap_v2。
trained_betas (np.ndarray, 可选) — 直接传入 betas 数组到构造函数中，以绕过 beta_start 和 beta_end。
prediction_type ("epsilon", "sample", or "v_prediction", defaults to "epsilon", optional) — Prediction type of the scheduler function; can be epsilon (predicts the noise of the diffusion process), sample (directly predicts the noisy sample) or v_prediction` (see section 2.4 of Imagen Video paper).
timestep_spacing（"linspace"、"leading" 或 "trailing"，默认为 "linspace"） — 时间步的缩放方式。更多信息请参阅常见的扩散噪声调度和采样步骤存在缺陷中的表 2。
steps_offset (int，默认为 0) — 添加到推理步数中的偏移量，某些模型系列需要此参数。
rescale_betas_zero_snr (bool，默认为 False) — 是否重新缩放 betas 以实现零终端 SNR。这使模型能够生成非常明亮和非常暗的样本，而不是将其限制在中等亮度的样本上。与 --offset_noise 大致相关。

使用欧拉方法步长的祖先采样。

该模型继承自 SchedulerMixin 和 ConfigMixin。有关该库为所有调度器实现的通用方法（例如加载和保存），请参阅父类文档。

add_noise

< source >

( original_samples: Tensornoise: Tensortimesteps: Tensor ) → torch.Tensor

参数

original_samples (torch.Tensor) — 将添加噪声的原始样本。
noise (torch.Tensor) — 要添加到原始样本中的噪声张量。
timesteps (torch.Tensor) — 用于添加噪声的时间步，决定调度器中的噪声水平。

返回值

torch.Tensor

根据时间步调度对添加的噪声进行缩放后的含噪样本。

根据指定时间步的噪声调度，向原始样本添加噪声。

index_for_timestep

< source >

( timestep: typing.Union[float, torch.Tensor]schedule_timesteps: typing.Optional[torch.Tensor] = None ) → int

参数

timestep（float 或 torch.Tensor）— 要在调度器中查找的时间步值。
schedule_timesteps (torch.Tensor，可选) — 要搜索的时间步调度。如果为 None，则使用 self.timesteps。

返回值

int

时间步在调度器中的索引。对于第一个步骤，如果存在多个匹配项，则返回第二个索引，以避免在从调度器中间开始（例如，用于图像到图像任务）时跳过某个 sigma。

查找给定时间步在时间步调度中的索引。

scale_model_input

< source >

( sample: Tensortimestep: typing.Union[float, torch.Tensor] ) → torch.Tensor

参数

sample (torch.Tensor) — 输入样本。
timestep (float 或 torch.Tensor) — 扩散链中的当前时间步。

返回值

torch.Tensor

经过缩放的输入样本。

确保与需要根据当前时间步缩放去噪模型输入的调度器具有互换性。将去噪模型输入按 (sigma**2 + 1) ** 0.5 进行缩放，以匹配 Euler 算法。

set_begin_index

< source >

( begin_index: int = 0 )

参数

begin_index (int，默认为 0) — 调度器的起始索引。

设置调度器的起始索引。此函数应在推理之前从流水线中运行。

set_timesteps

< source >

( num_inference_steps: intdevice: typing.Union[str, torch.device] = None )

参数

num_inference_steps (int) — 使用预训练模型生成样本时所用的扩散步数。
device (str 或 torch.device，可选) — 时间步应移动到的设备。如果为 None，则不移动时间步。

设置扩散链所使用的离散时间步（需在推理之前运行）。

步骤

< source >

( model_output: Tensortimestep: typing.Union[float, torch.Tensor]sample: Tensorgenerator: typing.Optional[torch.Generator] = Nonereturn_dict: bool = True ) → EulerAncestralDiscreteSchedulerOutput or tuple

参数

model_output (torch.Tensor) — 学习到的扩散模型的直接输出。
timestep (float 或 torch.Tensor) — 扩散链中的当前离散时间步。
sample (torch.Tensor) — 扩散过程生成的样本的当前实例。
generator (torch.Generator，可选) — 随机数生成器。
return_dict (bool，默认为 True) — 是否返回 EulerAncestralDiscreteSchedulerOutput 或元组。

返回值

EulerAncestralDiscreteSchedulerOutput 或 tuple

If return_dict is True, EulerAncestralDiscreteSchedulerOutput is returned, otherwise a tuple is returned where the first element is the sample tensor.

通过逆向 SDE 预测上一时间步的样本。此函数将扩散过程从学习到的模型输出（通常是预测的噪声）进行传播。